本發(fā)明涉及角膜塑形鏡，尤其涉及一種角膜塑形鏡熒光素染色的配適方法及配適系統(tǒng)。

背景技術：

1、在角膜塑形鏡智能驗配領域，已經(jīng)有一些研究提出了不同的方法來優(yōu)化角膜塑形鏡的驗配過程。

2、其一為一種利用角膜高度數(shù)據(jù)的計算方法，通過應用擬合算法，可以更準確地估計角膜塑形鏡的ac值，然而，這種方法需要準備患者的角膜數(shù)據(jù)文件，并且需要復雜的跨平臺模型建模來進行擬合，導致了數(shù)據(jù)準備和程序運行時間較長。

3、其二為基于機器學習的方法建立角膜塑形鏡鏡片試戴參數(shù)選擇的算法模型，用來減少角膜塑形鏡驗配過程中的試戴次數(shù)，但這種方式仍是通過角膜地形圖產(chǎn)生的數(shù)值數(shù)據(jù)去擬合模型，并不能通過角膜熒光染色圖片提供預測校準。

4、因此，現(xiàn)有的角膜塑形鏡配適技術較為復雜且配適結果準確度較低。

技術實現(xiàn)思路

1、本發(fā)明旨在至少解決相關技術中存在的技術問題之一。為此，本發(fā)明提供一種角膜塑形鏡熒光素染色的配適方法及配適系統(tǒng)，解決了傳統(tǒng)技術中角膜塑形鏡配適技術較為復雜且配適結果準確度較低的技術問題，提高了角膜塑形鏡的配適速率以及配適準確度。

2、本發(fā)明提供一種角膜塑形鏡熒光素染色的配適方法，包括如下步驟：

3、定義調(diào)整偏差值之前的熒光素染色圖像為非標準驗配圖像，定義調(diào)整偏差值之后的熒光素染色圖像為標準驗配圖像；

4、構建用于確定所述偏差值的差分模型，所述差分模型包括特征解析器、自注意力重構器以及差分預測器；

5、提供若干組非標準驗配圖像和標準驗配圖像，使用所述非標準驗配圖像和所述標準驗配圖像對所述差分模型進行訓練；

6、獲取試戴片的熒光素染色圖像，獲取試戴片的若干變量的原始參數(shù)；

7、將所述熒光素染色圖像導入訓練后的所述差分模型，所述差分模型得出調(diào)節(jié)所述原始參數(shù)的偏差值，進而根據(jù)所述偏差值調(diào)整所述原始參數(shù)至最終參數(shù)，以將所述試戴片調(diào)整至角膜塑形鏡。

8、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，將所述熒光素染色圖像導入訓練后的所述差分模型，所述差分模型得出調(diào)節(jié)所述原始參數(shù)的偏差值時，包括：

9、所述特征解析器獲取所述熒光素染色圖像，進而自所述熒光素染色圖像中抽取非標準特征，所述非標準特征包括所述熒光素染色圖像的原始參數(shù)，所述自注意力重構器根據(jù)所述非標準特征生成重構特征，所述差分預測器將所述非標準特征以及所述重構特征進行差分融合，進而所述差分預測器得出所述偏差值。

10、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，使用所述非標準驗配圖像和所述標準驗配圖像對所述差分模型進行訓練時，包括：

11、設置分割增強訓練器，將所述分割增強訓練器連接于所述特征解析器；

12、對所述特征解析器進行訓練；

13、凍結訓練后的所述特征解析器，對所述自注意力重構器進行訓練；

14、凍結訓練后的所述特征解析器以及所述自注意力重構器，對所述差分預測器進行訓練，從而完成對所述差分模型的訓練。

15、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，將所述熒光素染色圖像的周弧區(qū)定義為前景，將所述熒光素染色圖像除所述周弧區(qū)之外的其他區(qū)域定義為背景，對所述特征解析器進行訓練時，包括：

16、確定所述特征解析器的損失函數(shù)，

17、

18、其中，表示熒光素染色圖像的寬，表示熒光素染色圖像的高，每一所述熒光素染色圖像包括若干像素值，表示第像素值對應的前景與背景的類別真實值，表示第像素值對應的預測概率。

19、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，凍結訓練后的所述特征解析器，對所述自注意力重構器進行訓練時，包括：

20、提供若干組非標準驗配圖像和標準驗配圖像，

21、將所述非標準驗配圖像經(jīng)過訓練后的所述特征解析器進行處理以得到非標準特征，進而所述自注意力重構器將所述非標準特征重構為重構特征；

22、將所述標準驗配圖像經(jīng)過訓練后的所述特征解析器進行處理以得到對比特征，

23、構建所述自注意力重構器的損失函數(shù)，

24、

25、其中，表示用于訓練的所述非標準驗配圖像以及標準驗配圖像的組數(shù)，表示第組所述非標準驗配圖像以及標準驗配圖像，表示除對應組的之外的第組的標準驗配圖像的對比特征，表示和的余弦相似度，表示和的余弦相似度，表示溫度系數(shù)；

26、通過所述損失函數(shù)以計算和的對比損失，進而根據(jù)所述對比損失調(diào)節(jié)所述自注意力重構器的權重。

27、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，凍結訓練后的所述特征解析器以及所述自注意力重構器，對所述差分預測器進行訓練時，包括：

28、所述差分預測器包括融合模塊以及預測模塊；

29、提供所述非標準驗配圖像中的若干變量的原始參數(shù)，提供所述標準驗配圖像中的若干變量的最終參數(shù)，進而獲取所述原始參數(shù)調(diào)節(jié)至所述最終參數(shù)的真實值，

30、通過所述融合模塊將和進行融合，得到差異特征，然后將所述差異特征輸入所述預測模塊進行預測，得到預測值，

31、所述差分預測器的損失函數(shù)，

32、

33、其中，表示用于訓練的所述非標準驗配圖像以及標準驗配圖像的組數(shù)，表示第組所述非標準驗配圖像以及標準驗配圖像，表示第組非標準驗配圖像和標準驗配圖像對應的預測值，表示第組非標準驗配圖像和標準驗配圖像對應的真實值；

34、根據(jù)所述損失函數(shù)調(diào)節(jié)所述融合模塊以及所述預測模塊的權重。

35、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，于所述自注意力重構器設置重構網(wǎng)絡，所述重構網(wǎng)絡包括采樣單元、卷積單元以及線性注意力單元；

36、通過所述采樣單元以調(diào)節(jié)所述非標準特征的輸入尺寸，進而所述卷積單元用以對所述非標準特征進行編碼以及解碼操作，進而所述線性注意力單元用以提供多個非標準特征之間的聯(lián)系并得出重構特征。

37、本發(fā)明角膜塑形鏡熒光素染色的配適方法的進一步改進在于，所述變量包括降幅、ac、cp以及dia參數(shù)。

38、本發(fā)明還提供了一種角膜塑形鏡熒光素染色的配適系統(tǒng)，所述配適系統(tǒng)用以執(zhí)行如上所述的配適方法，所述配適系統(tǒng)包括差分模型，所述差分模型包括特征解析器、自注意力重構器以及差分預測器；

39、所述特征解析器用以獲取熒光素染色圖像，進而自所述熒光素染色圖像中抽取非標準特征；

40、所述自注意力重構器用以根據(jù)所述非標準特征生成重構特征；

41、所述差分預測器用以將所述非標準特征以及所述重構特征進行差分融合，進而所述差分預測器得出所述偏差值。

42、本發(fā)明角膜塑形鏡熒光素染色的配適方法通過構建差分模型，該差分模型專用于對角膜塑形鏡配適過程中的變量的參數(shù)調(diào)整，提高對角膜塑形鏡的配適速度以及準確度，通過提供的成對的標準驗配圖像和非標準驗配圖像，從而對差分模型進行對應的訓練，確保差分模型中的特征解析器、自注意力重構器以及差分預測器都調(diào)整至準確的權重和參數(shù)，保證在差分模型投入使用后能準確的得出偏差值，提高對角膜塑形鏡的配適準確度。

43、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。